本报告基于高质量股票池构造三层框架,重点研究负向事件对股票池的影响,划分为不可预测与可预测事件。对2010-2021年8类不可预测事件进行跟踪剔除测试,结果显示剔除涉事股票可提升组合表现,月度胜率达77.08%。针对财务危机这一可预测事件,采用分箱法构建45个有效财务指标评分模型,实现财务风险的提前预警。实证显示在沪深300和中证500股票池中,剔除预警组合后,超额收益分别达到年化12.50%和13.62%。该模型通过多维度财务数据分箱及WOE打分,有效提升股票池质量,为量化选股体系柔性优化提供坚实依据。
| 年份 | 月度胜率 | 年化收益 | 年化波动 | 夏普率 | 最大回撤 | 最大回撤时间起 | 最大回撤结束时间 |
|---|---|---|---|---|---|---|---|
| 全区间 | 77.08% | 1.48% | 0.51% | 2.91 | 1.38% | 2019/1/31 | 2019/3/12 |
| 分组 | 年化收益率 | 年化波动率 | 夏普率 | 最大回撤 |
|---|---|---|---|---|
| Group_0 | -3.53% | 23.18% | -0.32 | 57.04% |
| Group_1 | -0.13% | 22.21% | -0.19 | 51.70% |
| Group_2 | 2.43% | 22.55% | -0.07 | 48.21% |
| Group_3 | 4.27% | 22.44% | 0.01 | 46.03% |
| Group_4 | 3.12% | 22.18% | -0.04 | 46.50% |
核心论点是基于前篇报告搭建的三层股票池构造框架(原始股票池、刚性优化股票池、柔性优化股票池),本报告重点关注柔性优化部分中负向事件的量化识别和管理。负向事件被划分为“不可预测”和“可预测”两大类。对于不可预测事件,侧重于事件发生后的及时剔除;对于可预测事件,主要是财务危机预测,报告基于财务报表和分箱法构建了财务质量评分模型。
本报告中,负向事件的剔除能显著提升股票池表现,例如不可预测事件剔除后组合月度胜率达77.08%。可预测事件(财务危机)通过财务指标筛选,构建的预警组合剔除后沪深300的年化超额收益提升12.50% .
报告首先回顾了量化选股体系中,股票池构造的三层框架(原始、刚性、柔性优化)。刚性优化保证股票流动性和交易资格(剔除ST股、低流动性股等),柔性优化旨在提升股票池的质量,主要通过负向因子(如有息负债率、高财务风险指标)及负向事件(如财务造假预警)剔除低质量股票。
柔性剔除细分为三种类型:
事件驱动型优化框架针对财务造假、高管减持等事件,判断其是否可预测,采取事前模型预测剔除或事后跟踪剔除 。
先定义不可预测负向事件,其负面影响主要在事件公布之后持续显现。样本选取涵盖2010年1月至2021年12月,分两个维度:
基于以上8类负向事件,构建了负向事件跟踪剔除策略,每交易日剔除涉及股票,结果显示该策略显著优于等权重全市场组合,月度胜率高达77.08%,年化收益1.48%,夏普比率2.91,最大回撤1.38%;总体具有良好风险规避效果。
对上述两类事件进行提纯,排除ST转退市等非财务直接风险事件,最终确认财务危机事件样本。结合案例(康美药业2016年以来“存贷双高”,2018年被处罚)证明早期财务数据异常可预警财务风险。
灵感来源于银行信用评分卡,通过将连续财务指标离散分箱,计算每箱内财务危机发生概率,使用卡方检验合并相似箱体,最终利用WOE(权证证据)和IV(信息价值)评价指标。
三层架构清晰展现:
图中流程传达从大到小逐步筛选过程,使股票池更优质。
图形表现负向事件对股价影响持续且显著,为事件跟踪剔除策略提供理论基础。
显示财务危机风险具备较高的可预测性。
结合经济意义,验证模型与财务逻辑一致性。
报告核心为事件型风险对股票池的质量影响评估,无专门估值模型章节。其“估值”对应的是风险量化模型和分箱分析,隐含采用统计评价指标(IV、WOE)及事件驱动回测的收益表现作为策略价值衡量。模型输入为财务指标分箱结果、事件发生数据及历史超额收益,输出为股票风险评分及剔除策略表现。
虽无传统DCF或市盈率估值,但通过统计学方法实现了风险筛析和价值评估。
报告未深入讨论缓解策略,主要依赖模型和回测结果作为风险控制工具, 27]。
整体分析中条理清晰,但应用时需重视历史样本偏差和市场结构变化风险。
本报告在已建立的三层高质量股票池框架下,深化了柔性优化机制中的事件型风险分析,分别研究了不可预测与可预测的负向事件。
不可预测事件覆盖业绩公告和经营层面8类典型事件,事件发生后个股表现出显著且持续的负向超额收益。采用事件跟踪剔除策略,实证数据显示月度胜率高达77.08%,有效规避投资组合风险并提升收益。
可预测事件研究聚焦财务危机风险,结合ST特别处理和监管处罚事件进行负例样本提纯,基于财务指标分箱法构建财务质量评分模型。模型深入体现财务指标与危机概率的非线性关系,分类指标覆盖正向、负向及区间指标。评分模型通过历史回测表现出良好的风险识别能力,多样财务指标合成后的分层显著区分不同质量股票,模型在沪深300及中证500等多个指数内筛除高风险预警组合,带来了12%以上明显的年化超额收益。
图表数据全方位支持结论:事件驱动回测图清晰展现负面事件后的价格压力,分箱与WOE详细揭示财务指标与风险的关系,模型评分曲线及回测业绩体现量化体系的稳定有效。
报告提示上述结论基于历史数据,且事件可预测性存在主观成分,建议结合多维度风控工具共同使用,警惕历史偏差与市场环境变化带来的潜在影响。
综上,报告体现了事件驱动型风险量化与财务危机预测工具在高质量股票池构建上的价值,推荐投资者关注事件及时跟踪剔除及财务报告质量的持续监控,以提升组合表现和风险管控能力。
本次报告基于严谨的事件研究法和风险评分卡模型,系统分析了股票市场中的负面事件对组合表现的影响,提出了有效的事件跟踪剔除及财务风险预警策略,系统而全面地支撑了提高高质量股票池构造质量的目标。报告展现了将金融工程中事件驱动与信用风险评分技术深度结合的实践价值,为量化选股提供了有效的风险控制手段。
量化选股系列之六:高质量股票池构造体系Ⅱ 事件型风险研究.pdf